IEWT和IDWAE在滚动轴承故障识别中的应用

作者：苏珉; 袁朴; 陈高杰

来源：轴承, 2022, 1-7.

• 滚动轴承
• 经验小波变换
• Wasserstein自编码器
• 故障识别
• 分解降噪

通过深度学习实现滚动轴承故障识别时，信号噪声的存在会导致轴承故障识别率降低和深层网络收敛速度变慢。针对这些问题，提出一种改进经验小波变换（IEWT）分解降噪法结合改进深层Wasserstein自动编码器（IDWAE）的故障识别模型。首先针对经验小波变换（EWT）的过分解问题，提出一种振动信号频谱有效边界划分方法，进而利用EWT将信号自动分解为不同频段的调幅-调频分量（AM-FM）；然后利用一种新的AM-FM分量筛选指标对主要AM-FM分量进行重构进而对信号进行有效的降噪；最后针对变分自编码器（VAE）训练困难的缺陷，引入Wasserstein自编码器（WAE），并根据WAE中间层神经元的激活值对神经元大小进行自动增加或删减进而构造IDWAE，将经IEWT降噪后的信号输入IDWAE进行自动特征提取和故障识别。实验结果表明：IEWT-IDWAE一定程度上缓解了工程人员对繁琐的人工特征提取和人工特征选择的依赖，对噪声的鲁棒性高，故障识别率达到了99.57%，标准差仅0.12，故障识别能力优于其他组合模型方法，可用于滚动轴承故障识别工程中。

• 单位
  中山迈雷特数控技术有限公司; 华南理工大学; 四川工程职业技术学院